[发明专利]一种基于LSTM的多潜在子空间信息融合地震短临预测方法

说明书

本发明公开了一种基于LSTM的多潜在子空间信息融合地震短临预测方法，该方法主要面向电磁数据集，其包括了时域特征和频域特征，首先对数据集进行预处理，具体的有数据归一化和数据重采样；将电磁数据的时域特征和频域特征当作两个不同的观测视图，利用核典型相关分析对两视图的数据融合聚类，求出两视图数据的多个潜在子空间及其对应的典型相关变量，并将之作为模型训练的原始数据；根据地震时序数据预测任务的特点使用滑动窗口的方法制作训练样本和测试样本，借鉴stacking机器学习框架，针对不同潜在子空间的数据分别训练LSTM地震短临预测分类器，最后使用一个简单的LR回归模型对不同分类器做决策层融合得到最终的地震短临预测结果。

技术领域

本发明属于地震多视图数据融合与地震预测技术领域，尤其涉及一种基于LSTM的多潜在子空间信息融合地震短临预测方法。

背景技术

地震短临预测一般指未来几天或者一个月内对是否可能发生地震进行预测，目前地震短临预测的主流方法是寻找地震相关的前兆异常信号，但是大量事实表明并没有一种可靠、明显的地震前兆异常信号预示着未来可能发生地震，电磁信号被认为是和地震密切相关的信号之一，有较多的地震相关电磁信号研究，随着人工智能方法的发展，有学者尝试将神经网络应用到地震预测任务中，目的是挖掘地震相关数据和地震发生之间存在的内在关联，但是因为地震相关数据集存在比较大的噪声，且数据中相关的地震异常信号可能被庞大的背景信号所覆盖；或者因为地震发生的时地质活动往往是异常复杂的难以被有效解释。而机器学习方法的发展使得各种数据挖掘技术被提出，多视图的数据融合是一种数据挖掘的有效手段，核典型相关分析能够分析两组数据之间的共同潜在子空间，挖掘共有的特征，但是提取的特征往往失去了其本身含有的物理意义，不能确定地震异常信号存在于哪一个潜在子空间，如何将多视图数据融合领域恰当地应用到地震短临预测领域来提高地震短临的准确率和可靠性值得深入研究。

对电磁信号可以从时域和频域两个不同的视图进行观测，分析这两个视图的潜在共有特征可以从更深层次挖掘电磁信息；同时神经网络的非线性数据分析能力对于地震数据的分析有着重大的优势，利用神经网络方法对多视图融合的数据进行地震短临预测有着重要的研究意义，基于此本发明提出一种基于LSTM的多潜在子空间信息融合地震短临预测方法。

发明内容

针对现有技术存在的以上问题，本发明旨在提供一种基于LSTM的多潜在子空间信息融合地震短临预测方法，该方法对电磁信号可以从时域和频域两个不同的视图进行观测，分析这两个视图的潜在共有特征可以从更深层次挖掘电磁信息，并利用神经网络的非线性数据处理能力提高地震短临预测的准确率和可靠性，该方法可以根据15天的电磁数据预测未来4天发生地震的可能性。

为实现本发明的目的，本发明所采用的技术方案如下：

一种基于LSTM的多潜在子空间信息融合地震短临预测方法，所述方法包括以下步骤：

步骤1：对数据进行归一化和重采样预处理；

步骤2：使用核典型相关分析算法提取潜在子空间和对应的典型相关变量；

步骤3：在多组典型相关变量数据上使用滑动窗口制作多组训练集和测试集；

步骤4：使用多组训练集训练多个LSTM地震短临预测分类器，借鉴stacking框架，分别保留分类器在测试集上的测试结果，作为第二层分类器的训练数据；

步骤5：训练LR回归模型对步骤4中的分类器进行决策融合；

步骤6：输入电磁时序数据，模型输出结果。

作为本发明的一种改进，所述步骤1中，对数据进行归一化和重采样预处理的方法为：

对原始数据进行归一化处理，首先对数据的时间序列求均值和标准差，然后将数据的每一个元素减均值并除标准差，在地震预测任务中处理的数据是时序数据，经过归一化处理之后的时序数据能够有更强的平稳性，归一化过程的具体公式为：